基于Slot注意力的少样本学习特征过滤

无关特征会显著降低少样本学习性能。该问题通过基于有意义相似性匹配查询和支持图像来解决，以克服数据有限的限制。然而，在此过程中，非相关特征（如背景元素）容易导致混淆和误分类。为解决此问题，我们提出了一种基于Slot注意力的特征过滤机制，用于少样本学习（SAFF），该机制利用slot注意力机制来判别和过滤弱特征，从而提高少样本分类性能。SAFF的关键创新点在于将slot注意力与patch嵌入相结合，将类感知的slot整合到单一注意力机制中，以有效过滤无关特征。我们引入一个相似矩阵，对计算支持图像和查询图像之间的过滤嵌入的相关性，以量化其对分类的相关性。通过实验，我们表明Slot注意力优于其他注意力机制，能够捕获判别性特征并减少无关信息。我们通过在少样本学习基准（CIFAR-FS、FC100、miniImageNet和tieredImageNet）上的大量实验验证了我们方法的有效性，显著优于多种最先进方法。